{" • {0} chars (~{1} tokens)":" • {0} अक्षर (~{1} टोकन)","Avg Chunk Length":"औसत चंक लंबाई","Avg Tokens / Chunk":"औसत टोकन / चंक","chars":"अक्षर","chars (~":"अक्षर (~","Chunk #":"चंक #","Chunking Strategies":"चंक बनाने की रणनीतियाँ","Copied! ✓":"कॉपी हो गया! ✓","Copy Chunk":"चंक कॉपी करें","Document Length":"दस्तावेज़ की लंबाई","Fixed Character Length":"निश्चित अक्षर लंबाई","Generated Document Chunks & Overlaps":"जनरेट किए गए दस्तावेज़ चंक और ओवरलैप","Introduction to Retrieval-Augmented Generation (RAG)":"रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) का परिचय","Markdown Headers (# ## ###)":"Markdown हेडर (# ## ###)","Once chunks are generated, embedding models convert text chunks into dense vector representations. These vectors are indexed in vector databases like Pinecone, Qdrant, or PGVector for fast cosine similarity search.":"चंक जनरेट होने के बाद, एम्बेडिंग मॉडल टेक्स्ट चंक को सघन वेक्टर निरूपण में बदलते हैं। तेज़ कोसाइन समानता खोज के लिए इन वेक्टर को Pinecone, Qdrant या PGVector जैसे वेक्टर डेटाबेस में इंडेक्स किया जाता है।","Overlap Window":"ओवरलैप विंडो","Paragraph Boundaries (\\n\\n)":"पैराग्राफ की सीमाएँ (\\n\\n)","Paste article, documentation, or code here...":"लेख, दस्तावेज़ या कोड यहाँ पेस्ट करें...","Previous Chunk Overlap:":"पिछले चंक का ओवरलैप:","Proper text chunking is critical for RAG accuracy. Fixed-size chunking splits documents into uniform character intervals. Sentence-based chunking preserves grammatical units. Markdown chunking splits along section headers.":"RAG की सटीकता के लिए सही टेक्स्ट चंकिंग बेहद महत्वपूर्ण है। निश्चित आकार की चंकिंग दस्तावेज़ों को समान अक्षर-अंतरालों में बाँटती है। वाक्य-आधारित चंकिंग व्याकरणिक इकाइयों को बनाए रखती है। Markdown चंकिंग सेक्शन हेडर के आधार पर टेक्स्ट को बाँटती है।","Range: [":"सीमा: [","Retrieval-Augmented Generation enhances Large Language Models by grounding outputs on external knowledge bases. Instead of relying solely on parametric memory learned during training, RAG models fetch relevant text passages at inference time.":"रिट्रीवल-ऑगमेंटेड जनरेशन, बाहरी नॉलेज बेस पर आउटपुट आधारित करके बड़े भाषा मॉडल को बेहतर बनाता है। प्रशिक्षण के दौरान सीखी गई पैरामीट्रिक मेमोरी पर पूरी तरह निर्भर रहने के बजाय, RAG मॉडल इन्फरेंस के समय प्रासंगिक टेक्स्ट अंश प्राप्त करते हैं।","Sentence Boundaries (. ! ?)":"वाक्य की सीमाएँ (. ! ?)","Source Document Text":"स्रोत दस्तावेज़ का टेक्स्ट","Splitting Strategy":"विभाजन की रणनीति","Target Chunk Size":"लक्षित चंक आकार","tokens":"टोकन","tokens)":"टोकन)","Total Chunks":"कुल चंक","Vector Indexing":"वेक्टर इंडेक्सिंग"}